Karpathy加入Anthropic，對Claude意味著什麼？

原文標題：Karpathy 加入 Anthropic 實際代表了什麼對 Claude
> 原文作者：@nateherk
> 編譯：Peggy，BlockBeats
>



編者按：Andrej Karpathy 加入 Anthropic，並不僅僅是「AI 大牛加入頭部實驗室」的人事新聞。更值得關注的，是這次人事變動背後所指向的產品方向轉變。



過去一年，AI 行業的競爭焦點仍大量集中在模型本身：誰的 benchmark 更高，誰的推理能力更強，誰在排行榜上領先。但隨著 Claude Code、Skills、MCP、項目記憶、Agent 工作流等產品能力不斷完善，一個更清晰的趨勢正在出現：模型本身只是產品的一層，真正決定用戶產出效率的，是包裹模型的上下文、記憶、工作流、技能、連接器、文件結構、風格指南和目標循環。



Karpathy 過去幾個月反覆強調的「context engineering」，正好對應了這一變化。真正決定 AI 是否能產生穩定價值的，不僅是用戶寫下的一條 prompt，而是模型能否理解你的文檔、工作流、風格標準、業務目標和判斷體系。換句話說，AI 的下一階段競爭，可能不再只是「誰的模型更強」，而是誰能讓模型更好地進入真實工作場景。



從 LLM Wiki 到 AutoResearch，再到 /goal 這類目標驅動式循環，Karpathy 公開探索的方向一直圍繞同一個問題：如何讓 AI 從「回答問題的聊天窗口」，變成一個能理解上下文、持續執行任務、圍繞目標迭代的工作系統。而 Anthropic 最近在 Claude Code、企業服務、生态連接器和工作流能力上的布局，也正沿著同一條路徑展開。



因此，Karpathy 加入 Anthropic 的意義，不僅僅是一次人才流動，而像是對 Anthropic 產品路線的一次註腳：未來的 AI 工具，價值不只在模型參數裡，也在用戶沉澱的數據、工作流、記憶系統和行業知識中。誰能把這些上下文組織起來，誰就可能真正把 AI 從「工具」推向「基礎設施」。



以下為原文：



幾個小時前，Andrej Karpathy 發帖宣布，他將加入 Anthropic。







這個故事最簡單的版本是：一位 AI 大佬加入了一家大型 AI 實驗室。



但更值得關注的問題是：為什麼是 Anthropic？又為什麼是現在？



因為只要你回頭看 Karpathy 過去幾個月持續公開搭建的東西，再看看 Claude Code 最近不斷推出的功能，就會發現兩者似乎早已在朝著同一個產品方向靠攏。



背景
==



Karpathy 是現代 AI 領域最重要的人物之一。



他是 OpenAI 2015 年的創始成員之一，曾在 Tesla 負責 AI 業務五年；2023 年回到 OpenAI，一年後離開；隨後創辦了自己的 AI 教育公司 Eureka Labs。他還推出了 LLM 101n，這是一門免費課程，教用戶如何從零開始構建一個語言模型。



他也是「vibe coding」這個概念的提出者：你只需要用英文描述自己想要什麼，讓 AI 來寫代碼，然後不斷感受、引導、迭代。他還提出了「context engineering」（上下文工程）這一概念，這將成為本文後續討論的關鍵。



所以，這並不只是一次普通招聘。它意味著 AI 領域最具影響力的聲音之一，加入了當下勢頭最強的 AI 實驗室之一。



Claude Code 已經成為許多 builder 在構建 Agent、寫代碼，或處理真實知識工作時優先選擇的工具。大約一周前，Ramp 發布了其 AI 指數。根據這份數據，Anthropic 在企業採用率上首次超過 OpenAI：34.4% 對 32.3%。







當然，公平地說，這只是 Ramp 客戶群體裡的數據。OpenAI 仍然擁有強大的消費者品牌，也有大量企業級合同沒有被納入這組樣本。我不想過度放大這件事，但這個信號確實很難忽視。



本月早些時候，Anthropic 還宣布成立一家新的企業 AI 服務公司。這是一家由 Anthropic 與 Blackstone、Hellman & Friedman、Goldman Sachs 共同組建的合資企業，目標是幫助中型企業將 Claude 引入核心業務流程。



再看一遍這個動作：他們在做模型，也在做產品入口，比如 Claude Code、Skills、MCP；他們在搭建合作夥伴網絡；現在又補上一層服務能力，幫助企業真正完成產品落地。



這已經不是「給你一個模型，剩下你自己想辦法」的遊戲了。



Wrapper 才是產品
============



今天大多數關於 AI 的討論，仍然把模型本身當作完整產品：哪個模型在哪個 benchmark 上贏了誰，Opus 4.7、GPT-5.5、Gemini 誰更強，排行榜怎麼變。



模型當然重要，我不是說模型不重要。但這些工具用得越久，就越明顯地感受到：模型只是產品的一層。真正改變你日常產出的，是模型外面的那一層 wrapper。



這也是為什麼兩個人使用同一個模型，最後卻能得到完全不同的結果。



所謂 wrapper，就是一切決定模型如何被使用的東西。



→ Claude Code 本身、Codex、Skills、Subagents、Hooks、MCP 連接器。



→ 你的 CLAUDE.md、你的記憶、你的文檔、你的案例。



→ 你的文件結構、你的風格指南，以及你對「好結果」的真實定義。



這就是模型所處的環境。



如果你打開一個全新的聊天窗口，沒有任何上下文，然後讓它幫你處理業務問題，它對你一無所知，只能猜。於是你只能在對話裡一遍遍解釋那些你已經說過十次的背景。



但如果你給它你的文件、案例、工作流、風格指南和真實的成功標準，同一個模型，結果會完全不同。



這正是 Karpathy 與 Anthropic 契合的地方。他之所以提出「context engineering」（上下文工程），而不是繼續停留在 prompt engineering（提示詞工程），就是因為這個原因。真正重要的能力，不是寫出一個完美 prompt，而是搭建一個正確的環境，讓模型能夠真正工作，並且在不同會話之間記住和使用上下文。



Anthropic 一直在悄悄構建這個環境。Karpathy 一直在公開教授這種方法。現在，這兩套理念匯入了同一家公司。



一旦這樣理解，Karpathy 過去幾個月公開做的事情，就不再像是一組隨機項目，而更像是一張路線圖。



LLM Wiki 與你的數據護城河
=================



今年 4 月，Karpathy 發布了 LLM Wiki。這個項目很快在 X 上火了。



它的結構非常簡單。如果你想了解，我也做過一個完整的 YouTube 教程



→ 一個 raw/ 文件夾，裡面放大量 markdown 文件，可以是筆記、資料來源、轉錄稿，任何材料都可以。
→ 一個 wiki/ 文件夾，由 Agent 綜合整理所有內容，建立材料之間的連接，並生成思維導圖。
→ 一個 schema 文檔，類似 CLAUDE.md 或 AGENTS.md，用來告訴 Agent 這個系統如何運作，以及如何吸收新材料。




它不是讓 AI 去搜索原始文件，也不是簡單跑一次向量查詢，而是讓 AI 構建一個活的、持續演化的知識庫。它會閱讀資料，理解資料之間的關係。很多人開始用它搭建自己的「第二大腦」。



這件事比表面看起來更重要。很多人說「數據是護城河」時，腦子裡想到的是某個巨大的企業數據庫。但對普通 builder 來說，真正的護城河更小，也更實際。



它可能是你的會議筆記、內部 SOP、客戶電話記錄、轉錄稿、你隨手使用的命名規範，以及那些真正屬於你的工作框架。



如果 Claude 能把這些內容轉化為模型可見、可用的上下文，那麼對你而言，這個模型每週都會變得更聰明、更有用。



這就是鎖定效應。不是因為你不能換模型，你當然可以換。但當你在某一個工具裡持續構建上下文、工作流和記憶，時間越久，就越難離開。



LLM Wiki 不只是一個副項目。它是一個線索。我不會驚訝於未來 Claude Code 或 Claude 項目記憶中出現更原生版本的類似功能。你已經可以在 auto-dream 功能裡看到一些苗頭。



當然，你不必等。這個週末你就可以自己動手，讓 Claude Code 讀取你的重要文檔，並按這種方式構建一個 wiki。



如果你想成為 AI-first 的人，你的數據只有在 Agent 知道如何找到它、如何正確使用它時，才真正有價值。



AutoResearch 與 /Goal 循環
=======================



今年 3 月，Karpathy 發布了一個叫 AutoResearch 的項目。它是一個自動化研究循環。如果你玩過 Ralph Loop，會發現兩者在思路上有些相似。



它的模式大致是：



1、拿到一個訓練腳本。

2、提出一個修改方案。

3、跑一次短訓練任務。

4、根據客觀指標檢查結果：通過還是失敗。

5、不断重複，直到達成目標。



坦白說，AutoResearch 並不是我個人高頻使用的功能。我不訓練模型，也不構建那種需要這類循環的應用。但它的形態很重要。



定義目標。讓 Agent 去工作。完成後再回來。



再看整個生態最近在推出什麼：Codex 有了 /goal，Hermes 有了 /goal，Claude Code 也有自己的原生 /goal。



我不是說 Karpathy 親自發明了這個功能。我不知道。而且從底層看，AutoResearch 和 /goal 也不是一回事。但它們的模式顯然相關。



兩者都在把我們從「一個 prompt，一個回答」的模式中帶出來。



它們正在推向另一種交互方式：設定結果，讓 Agent 自己決定怎麼做，等條件滿足後再回來。



這就是加強版 vibe coding。定義「要什麼」，不要定義「怎麼做」，然後等它完成。



一旦把這個模式和 LLM Wiki 的思路結合起來，整個東西就不再像聊天機器人了。它開始像一個真正的員工：理解你的業務，並圍繞一個目標持續工作，直到目標達成。



教育這條線索
======



Karpathy 的加入公告裡，有一句話值得放大來看。他說：「我依然對教育抱有深厚熱情。」



Eureka Labs，也就是他上一家公司，本質上就是一個教育項目。它的目標不是教人「點擊這個按鈕、連接這些節點」，而是幫助人們從內部真正理解 AI：這些系統到底是如何運作的。



Karpathy 很少見的一點在於，他能把極其技術化的東西講得讓人覺得可以理解、可以接近。懂一件事是一種能力。把它教到別人真正能用，是另一種完全不同的能力。



這對 Anthropic 很重要。如果下一階段的競爭圍繞的是上下文、工作流、Skills、記憶和循環，那麼瓶頸不只是技術，也包括教育。



IBM 最近一項關於 AI 採用和變革管理的研究，就清楚展示了企業「能用上 AI」和「真正用好 AI」之間的巨大差距。大多數企業都會卡在這個地方。



讓一位最擅長 AI 教育的人進入組織，幫助縮小這個差距，絕不是一個小動作。



對 Claude Code 的三個預測
===================



以下只是預測。我沒有內幕消息，也不知道 Anthropic 的路線圖。但基於 Anthropic 最近推出的產品，以及 Karpathy 過去幾個月公開發布的內容，方向已經比較清楚。



Anthropic 會構建一個「上下文應用商店」
------------------------



他們已經開始這麼做了。官方插件、Skills，以及市場化組件的雛形正在形成。



但我說的不是 prompt 市場。



我說的是一類組件：Skills、工作流、項目記憶、垂直領域上下文、評估循環，以及連接真實數據的連接器。還包括那些能教會模型在某個具體崗位裡什麼叫「好」的範例。



你把這些組件接入自己的領域，就能立刻從模型中獲得更高價值，哪怕模型本身已經足夠聰明。



因為對普通用戶來說，模型本身正在變得越來越不再是唯一差異點。真正的問題是：誰能圍繞模型搭建正確的數據和 wrapper，讓它產出真正能為企業帶來 ROI 的結果。



LLM Wiki 是一種把雜亂信息轉化為可用記憶的模式。/Goal 是一種把目標轉化為自動化循環的模式。Karpathy 的教育工作，則是一種把複雜 AI 概念變得可用的模式。



他真正包裝的，是一種行為方式。如果 Anthropic 能把這種行為方式變成一個真正的生態，Claude Code 就不再只是一个編程工具，而會變成一個市場。



產品裡會出現更多 /goal 風格的命令
--------------------



/Goal 很可能只是第一個版本，而不是最終形態。



可以想像，未來會出現很多專門版本：研究循環、調試循環、收尾循環。也可能有針對特定垂直領域優化的命令，在這些場景裡，Agent 已經知道什麼叫「完成」。



我不知道它們最終會叫什麼名字，這不是重點。



重點是交互界面會發生變化。你不再說「做這一步」，而是開始說：「在這個具體垂直場景裡，一直做下去，直到這個條件成立。」



Anthropic 會推出一層教育系統，幫助用戶包裝自己的工作流
--------------------------------



這是最大膽的一個預測。說實話，也是我覺得最有意思的一個。



如果 Anthropic 想建立真正的上下文市場，普通人也必須能夠參與貢獻，而不能只面向開發者和研究人員。



也就是說，來自普通職業的領域專家也應該能夠參與進來。



→ 真正理解月度關帳流程的會計。



→ 熟悉房產錄入每一步的房產運營人員。



→ 知道什麼是好包裝、什麼是壞包裝，並能從零開始完成選題頭腦風暴的 YouTuber。



這些知識很有價值。但現在，它們要么困在人的腦子裡，要么散落在混亂的文檔、Slack 線程和 ClickUp 頻道裡。



你已經能在現實中看到類似苗頭。很多教練開始搭建自己的 AI 分身和聊天機器人，並向用戶收費，讓用戶與這些 AI 對話。這是手動版。人們想提取他人的專業知識，並把它應用到自己的業務裡。



如果我今天想構建一個廣告 Agent，我會卡住。因為我沒有這個領域的專業知識。但如果有一個市場，能讓我訂閱某個領域高質量的 SME 上下文，我會立刻成為客戶。



這就是我接下來會重點關注的一層。



結語
==



真正的故事，是這個模式本身。



模型只是其中一層。模型外面的 wrapper 正在成為真正的產品。你的數據和工作流，正在成為真正的鎖定效應。Karpathy 過去幾個月一直在教的，正是這件事。Anthropic 過去幾個月一直在做的，也是這件事。



所以，這次加入不是一個新聞標題，而是一張路線圖。我在完整影片裡拆解了整個邏輯，連結放在第一條回覆裡。



[原文連結]





點擊了解律動BlockBeats 在招崗位



歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia